AI w biznesie: iluzja czy zaniedbania?

Zacznijmy od przykładu. Pewna firma wdraża asystenta AI do obsługi zapytań e-mailowych w dziale B2B. Cel jest rozsądny: odciążenie zespołu, szybsze odpowiedzi, mniej rutynowej pracy. Pewnego dnia jeden ze strategicznych klientów zgłasza wniosek o zwrot partii towaru. AI analizuje zapytanie, dopasowuje je do regulaminu i wysyła uprzejmą odmowę, opartą na zapisach tego regulaminu.

Algorytm nie wie jednak tego, co wie każdy handlowiec w firmie: kluczowi partnerzy mają elastyczne, indywidualnie negocjowane warunki. Decyzja była więc zgodna z regulaminem i jednocześnie całkowicie błędna. Dyrektor sprzedaży dowiedział się o problemie dopiero wtedy, gdy klient zagroził zerwaniem kontraktu.

Nikt nie zauważył awarii. Bo żadnej awarii nie było.

Od pilotażu do rozczarowania

To nie jest historia wyjątkowa. Wyniki opublikowanego w połowie lutego 2026 roku raportu „Connext Global AI Oversight Survey” pokazują, że takich cichych porażek jest znacznie więcej. Aż 42% badanych wprost przyznaje, że modele nagminnie pomijają kluczowe dla firm detale. Z tego samego badania wynika, że tylko 17% pracowników wierzy, że AI w ich miejscu pracy może działać w pełni samodzielnie. A w 1 na 5 przypadków nowa technologia sprawiła, że sytuacja klienta się pogorszyła, zamiast poprawić.

Nic więc dziwnego, że według analiz Gartnera co najmniej 30% korporacyjnych projektów opartych na generatywnej AI zostaje porzuconych zaraz po fazie testów. Znane i szeroko cytowane badania MIT („The GenAI Divide. State of AI in Business”) idą jeszcze dalej – twierdzą, że nawet 95% pilotaży nie przynosi w pełni mierzalnego zwrotu.

Przyczyna?

Rynek przez ostatnie lata skupił się na kupowaniu dostępu do najróżniejszych platform. Pominięto jednak fundamenty, bez których nawet najbardziej zaawansowany system zachowuje się jak świetnie wykształcony człowiek w pierwszym dniu nowej pracy – elokwentny, pełen energii, ale operacyjnie jeszcze bezużyteczny.

AI nie wie, czego nie wie

Większość porażek AI w biznesie polega na tym, że narzędzia po prostu generują odpowiedzi, które brzmią przekonująco, ale są merytorycznie błędne. Takie halucynacje są znacznie groźniejsze niż oczywisty błąd, bo trudniej je wychwycić. 31% badanych pracowników podkreśla, że AI brzmi bardzo pewnie podając błędne odpowiedzi. Błąd technologi? Nie do końca…

Profesor Ethan Mollick z Wharton School, jeden z czołowych analityków wpływu AI na biznes, opisuje współczesne modele językowe jako „obcą inteligencję” („Alien Intelligence”). Jego koncepcja „poszarpanej granicy” (jagged frontier) trafnie oddaje naturę tego problemu: algorytmy potrafią błyskotliwie napisać skomplikowaną strategię, by za chwilę całkowicie polec na trywialnym, specyficznym dla danej firmy zadaniu.

Dlaczego tak się dzieje?

Publiczne modele zostały wytrenowane na miliardach ogólnodostępnych dokumentów. Nie znają historii relacji z kluczowym klientem. Nie wiedzą, że pewne procedury mają niepisane wyjątki. Nie rozumieją wewnętrznego żargonu ani tego, dlaczego akurat ten partner dostaje inne warunki niż wszyscy pozostali. Efekt? Pracownicy tracą czas na ciągłe poprawki, zarząd nie widzi obiecanego zwrotu z inwestycji. I nikt do końca nie rozumie dlaczego…

Baza wiedzy to nie folder na dysku

Naturalną reakcją na takie sytuacje jest sięgnięcie po architekturę RAG – Retrieval-Augmented Generation. Idea jest prosta: zamiast polegać wyłącznie na wiedzy wytrenowanej w modelu, AI ma korzystać z wewnętrznych baz danych firmy. Regulaminów, polityk, historii klientów.

Tu jednak kryje się kolejna pułapka. Bo RAG RAG-owi nierówny.

Wrzucenie wszystkich firmowych dokumentów do jednego repozytorium i oczekiwanie, że system sam wyciągnie właściwe wnioski to droga donikąd. Potrzebna jest przemyślana architektura danych – uporządkowane środowisko, w którym znajdą się nie tylko suche zapisy, ale też pełna historia relacji z systemów CRM, kontekst negocjacji, wyjątki i ich przyczyny. Dane McKinsey & Company wskazują bezlitośnie, że to właśnie architektura informacji jest piętą achillesową firm wdrażających AI – 70% przedsiębiorstw jako główną barierę podaje problemy z integracją danych i brakiem odpowiedniego nadzoru nad nimi.

Załóżmy jednak, że system wspomnianej na początku firmy miał dostęp do dobrze zorganizowanej bazy danych z historią relacji tego klienta. Czy nie popełniłby błędu? Prawdopodobnie nie…

Tylko że „prawdopodobnie” robi istotną różnicę.

Nawet najlepiej zaprojektowany system nie wyłapie wszystkich niuansów. Tego, jak konkretny handlowiec rozmawiał z konkretnym klientem przez ostatnie trzy lata. Albo tego, że istnieje niepisana zasada, że tego klienta warto czasem „dopieścić” – a definicja tego „czasem” jest oparte wyłącznie na intuicji sprzedawcy i kontekście rozmowy.

Człowiek + AI

I właśnie dlatego dojrzałe wdrożenia AI nie rezygnują z człowieka – one go inaczej ustawiają w procesie.

Mollick wymienia „obecność człowieka w pętli decyzyjnej” jako jedną z czterech żelaznych zasad skutecznej współpracy z AI. Jednak wielu purystów automatyzacji podejście „Human-in-the-Loop” oceniają jako przyznanie się do porażki automatyzacji. To błędna interpretacja.

Pracownik, który przegląda i ewentualnie koryguje gotową propozycję odpowiedzi wygenerowaną przez system potrzebuje ułamka czasu, jaki zajęłoby mu napisanie jej od zera. Firma zyskuje szybkość. I nie traci kontroli nad relacjami, które mają realną wartość biznesową.

Sprawdź, zanim wdrożysz

Zarządzanie AI nie jest zadaniem wyłącznie dla działu IT. Jest wyzwaniem z zakresu zarządzania wiedzą w organizacji – i powinno być traktowane dokładnie tak samo poważnie jak zarządzenie finansami.

Zanim pojawią się kolejne licencje na oprogramowanie, potrzebny jest rzetelny audyt gotowości danych. Włącznie z pytaniami typu: Czy firma w ogóle wie, co wie? Czy ta wiedza jest gdzieś zapisana, czy żyje wyłącznie w głowach konkretnych ludzi?

Dopiero po takiej analizie myślenie o wdrożeniu ma sens. Inaczej inwestycja w AI może okazać się kolejnym projektem technologicznym, który działa, ale nie rozwiązuje problemu, który był przyczyną tego wdrożenia.